source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-271.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.118.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
29 41 24 41 40 48 39 26 58 42 37 62 47 35 38 50
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
42 60 27 44 32 29 34 23 40 19 38 40 60 26 48 46
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
30 30 21 42 50 56 44 57 25 19 48 40 43 29 27 32
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
19 44 45 46 67 47 50 44 41 28 37 23 32 26 38 39
65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
45 22 30 62 27 36 59 27 44 30 15 28 33 45 40 32
81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
40 50 35 51 38 48 72 60 34 45 26 42 38 25 51 48
97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112
54 48 29 23 34 63 38 48 49 44 21 25 26 38 43 28
113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128
35 40 58 30 31 43 52 41 32 41 31 45 37 39 30 34
129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
40 47 34 49 33 42 37 66 65 43 55 49 30 57 62 65
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
44 42 44 38 47 21 25 61 46 26 42 46 53 47 35 38
161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
39 25 30 37 34 32 28 18 40 34 54 42 29 38 24 40
177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
42 11 45 30 39 41 31 32 46 46 17 11 48 37 37 45
193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
55 39 50 42 37 42 40 39 46 68 53 45 57 53 45 34
209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224
21 38 26 41 38 27 28 59 46 22 38 32 37 34 49 44
225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
42 38 29 54 64 32 24 61 43 17 53 30 47 38 25 17
241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256
41 46 31 21 55 30 49 31 27 17 49 33 48 36 35 65
257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
32 55 50 39 34 26 38 37 27 37 29 36 39 23 36 28
273 274 275 276 277 278 279 280 281 282 283 284 285 287 288 289
17 24 40 43 36 30 39 31 67 47 41 23 15 47 43 34
290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305
43 20 76 80 35 31 43 47 26 34 37 48 51 35 50 59
306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321
62 33 24 51 28 30 41 25 34 48 32 28 22 33 28 11
322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337
18 23 30 35 41 60 29 37 28 28 80 66 46 38 46 19
338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353
27 39 33 53 67 69 19 36 17 57 41 24 32 44 49 58
354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369
44 48 37 15 39 44 31 47 30 24 39 32 21 24 24 15
370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385
27 14 16 23 16 42 46 36 42 38 22 69 65 54 58 21
386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401
70 31 14 32 51 42 37 43 19 30 22 21 33 25 38 57
402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417
66 95 55 5 54 36 37 47 59 20 24 25 38 17 29 14
418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433
18 17 21 14 18 24 38 33 33 52 53 61 62 53 42 41
434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449
35 49 49 36 18 53 30 45 15 30 23 33 38 18 55 35
450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465
21 46 67 32 28 76 69 78 27 55 46 10 28 39 27 20
466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481
27 26 15 24 21 30 20 20 43 44 31 39 34 49 37 42
482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497
30 39 55 69 67 41 32 37 52 41 25 35 51 37 30 40
498 499 500 501 502 503 505 506 507 508 509 510 511 512 513 514
22 15 21 27 60 60 60 55 50 12 19 24 33 45 24 34
515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530
29 24 21 25 19 25 24 39 34 46 38 37 42 46 31 31
531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546
32 35 33 45 53 73 44 28 28 34 31 36 57 34 39 29
547 548 549 550 551 552 553 554 555 556 557 559 560 561 562 563
25 27 50 26 63 30 51 77 52 42 36 33 59 58 45 34
564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579
25 26 21 41 26 32 17 29 46 18 32 19 42 51 48 33
580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595
43 24 35 35 50 66 66 48 44 20 30 37 47 39 32 41
596 597 598 599 600 601 602 603 604 605 606 608 609 610 611 612
36 32 35 36 45 37 27 31 46 34 49 29 35 34 33 37
613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628
36 13 37 28 40 33 22 27 30 43 22 38 49 61 28 48
629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644
67 68 34 43 43 43 22 71 50 49 16 2 50 41 20 36
645 646 647 648 649 650 651 652 653 654 655 656 658 659 660 661
41 41 42 31 41 27 49 51 15 32 36 25 49 32 48 34
662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677
56 32 48 50 27 44 35 24 28 25 45 43 22 32 39 60
678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693
57 31 51 78 37 21 31 29 49 44 60 52 8 31 33 35
694 695 696 697 698 699 700 702 703 704 705 707 708 709 710 711
37 38 20 50 29 31 51 13 29 61 41 36 32 36 38 33
712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727
28 24 55 43 39 26 21 21 39 25 28 24 19 27 42 43
728 729 730 731 732 733 734 735 736 737 738 739 741 742 743 744
22 45 45 36 31 46 36 15 45 41 47 61 30 27 36 31
745 746 747 748 749 750 751 752 753 754 755 757 758 759 760 761
47 31 30 34 50 28 38 35 39 43 56 3 52 55 60 51
762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777
45 34 39 28 50 22 25 35 31 30 55 30 38 22 18 33
778 779 780 782 783 784 785 786 787 788 789 790 791 792 793 794
39 48 23 34 50 37 44 44 26 43 39 5 38 56 37 41
795 796 797 798 799 800 801 802 803 806 807 808 809 810 811 812
17 27 27 31 24 32 41 35 29 58 36 31 29 56 70 36
813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828
20 45 35 25 24 31 34 57 38 27 28 48 24 30 48 29
829 830 832 833 834 835 836 837 838 840 841 842 843 844 845 846
17 32 47 47 45 44 38 18 16 51 40 43 25 23 20 18
847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862
24 29 34 21 59 48 44 40 40 50 48 30 70 39 39 28
863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878
31 40 21 46 32 43 45 32 39 51 33 49 24 19 37 42
879 880 881 883 884 885 886 887 889 890 891 892 893 894 895 896
29 37 34 42 42 36 41 6 35 45 47 51 54 36 39 45
897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912
37 17 29 35 20 40 41 55 6 38 46 63 58 17 34 31
913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928
42 22 57 41 49 32 44 51 54 44 43 55 37 41 47 36
929 930 931 932 933 934 936 937 938 939 940 941 942 943 944 945
18 30 30 21 24 26 36 31 44 58 41 31 33 36 26 36
946 947 948 949 950 951 952 953 954 955 956 957 959 960 961 962
37 15 33 18 35 39 35 67 45 51 4 10 27 27 25 40
963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978
31 38 73 59 47 82 66 31 33 32 32 38 19 35 54 45
979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994
36 25 49 40 24 10 41 37 27 47 65 51 32 59 28 21
995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010
21 16 27 31 14 19 45 66 22 31 35 43 34 39 16 76
1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026
53 66 46 22 35 22 46 53 37 43 33 21 46 31 37 60
1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042
41 43 37 41 53 47 39 51 47 35 59 19 51 49 59 43
1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058
32 26 25 29 13 9 5 9 33 32 60 43 46 42 51 36
1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074
52 29 57 57 35 58 54 62 44 42 49 44 26 38 28 38
1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090
47 44 52 30 27 45 50 48 39 76 43 39 38 43 43 38
1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106
35 41 37 25 51 25 40 16 19 18 50 52 49 49 42 49
1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122
34 35 49 21 60 25 59 25 47 63 28 29 38 43 54 21
1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138
57 41 42 27 22 45 36 58 37 35 53 43 46 35 47 50
1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154
61 38 40 37 35 24 17 26 28 28 22 27 24 56 45 30
1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170
62 29 42 33 31 52 31 44 40 52 49 31 33 16 42 37
1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186
56 69 50 63 38 28 34 31 23 39 40 28 51 47 59 53
1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202
39 38 40 41 32 53 48 36 40 25 27 31 31 35 41 52
1203 1204 1205 1206 1207 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219
23 37 50 32 63 50 22 43 5 42 39 51 42 26 54 59
1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235
55 50 31 25 45 35 30 26 2 38 61 34 46 25 54 34
1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251
29 46 39 50 23 58 52 48 37 44 39 35 39 24 37 40
1252 1253 1254 1255 1256 1257 1258 1260 1261 1262 1263 1264 1265 1266 1267 1268
33 19 43 22 59 37 64 3 41 21 30 43 73 68 49 27
1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284
57 38 40 46 31 55 30 41 17 27 38 32 53 29 28 11
1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300
33 47 38 41 48 37 36 40 45 44 37 34 29 42 29 33
1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316
48 39 24 35 33 58 72 46 32 57 35 27 41 27 34 47
1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332
41 50 51 67 39 41 35 26 42 39 33 47 53 56 49 23
1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348
21 27 22 40 47 26 41 35 31 44 45 45 30 45 40 35
1349 1350 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370
23 19 41 56 44 34 61 39 42 42 27 55 60 46 59 49
1371 1372 1373 1374 1375 1376 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387
20 43 39 34 37 42 31 52 25 28 20 32 28 13 20 39
1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403
36 37 31 23 36 39 39 43 36 42 27 29 39 59 78 58
1404 1405 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420
45 34 25 49 35 36 40 57 42 39 43 34 39 59 54 30
1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
41 26 40 36 41 45 40 54 36 46 31 25 27 25 28 26
1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452
46 29 45 29 31 34 30 46 23 48 38 20 29 32 26 31
1453 1454 1455 1456 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469
41 17 55 57 56 56 66 44 56 51 22 35 25 41 34 38
1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485
37 40 29 40 28 38 38 21 53 56 31 38 41 14 67 21
1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501
24 12 26 46 37 39 23 26 24 34 35 29 44 32 39 49
1502 1503 1504 1505 1506 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518
53 79 45 39 32 61 33 29 31 29 42 31 18 9 35 31
1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534
37 30 26 27 30 38 22 38 37 41 26 42 52 30 76 61
1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550
39 46 19 37 33 56 16 44 40 46 34 49 38 55 52 33
1551 1552 1553 1554 1555 1556 1557 1559 1560 1561 1562 1563 1564 1565 1566 1567
19 46 50 67 61 56 12 63 38 29 34 32 30 30 33 19
1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583
37 43 40 52 36 34 44 34 27 45 38 50 65 31 40 74
1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599
49 54 51 51 29 22 36 37 29 42 34 55 63 50 42 25
1600 1601 1602 1603 1604 1605 1606 1607 1609 1610 1611 1612 1613 1614 1615 1616
28 44 15 30 69 42 36 55 61 30 59 24 39 37 50 29
1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632
17 39 44 48 28 40 38 36 34 32 31 44 42 42 55 77
1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648
20 38 34 36 39 49 72 40 20 28 26 46 43 54 45 34
1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1660 1661 1662 1663 1664 1665
29 43 31 29 37 68 81 51 51 71 57 39 57 51 65 26
1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681
56 33 38 35 56 32 37 31 35 37 43 53 43 48 29 61
1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697
39 35 40 36 31 35 67 71 55 27 36 26 12 51 41 39
1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1710 1711 1712 1713 1714
41 54 29 33 35 22 53 38 31 31 75 65 59 49 76 56
1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730
40 20 34 40 70 69 26 52 30 38 28 38 52 50 51 33
1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746
51 77 32 40 36 28 44 29 45 38 36 75 40 23 37 56
1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1761 1762 1763
52 34 30 28 41 27 45 42 82 34 56 20 49 56 67 68
1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779
45 23 24 42 47 48 67 36 41 20 24 42 37 34 43 40
1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795
51 61 59 55 37 65 33 27 38 44 46 61 28 50 53 28
1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1811 1812
34 37 37 23 24 23 25 15 23 60 12 48 46 82 36 34
1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828
32 8 41 50 48 49 66 61 23 41 39 36 46 42 35 35
1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844
64 38 59 58 53 39 44 41 23 25 40 34 10 36 53 50
1845 1846 1847 1848 1849 1850 1851 1852 1853 1855 1856 1857 1858 1859 1860 1862
48 42 34 38 15 15 16 41 5 38 47 46 43 32 82 51
1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878
27 39 71 34 42 49 54 26 27 38 22 34 25 32 39 31
1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894
35 38 50 33 32 59 48 33 16 40 55 25 53 44 19 40
1895 1896 1897 1898 1899 1900 1901 1902 1903 1905 1906 1907 1908 1909 1910 1912
43 36 51 43 34 22 15 31 32 40 39 57 43 62 65 43
1913 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929
40 47 55 56 28 32 21 45 28 46 44 35 25 36 41 42
1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945
45 46 53 54 43 42 39 24 50 29 23 39 46 40 30 24
1946 1947 1948 1949 1950 1951 1952 1953 1954 1956 1957 1958 1959 1960 1961 1963
22 44 31 40 25 14 36 55 47 42 25 45 95 47 63 37
1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979
37 40 63 41 54 32 45 54 34 42 43 53 45 35 31 32
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
37 47 46 24 58 28 32 41 44 25 24 31 37 22 40 22
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2012
30 39 32 24 19 23 31 36 65 18 44 39 47 48 39 38
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028
23 43 36 62 59 68 47 26 32 46 49 36 54 51 43 49
2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044
21 29 32 31 48 49 23 51 42 68 62 41 42 36 16 26
2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060
17 21 24 22 20 50 32 32 9 47 32 16 32 45 60 40
2061 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077
51 65 44 27 37 53 54 54 34 57 37 55 59 42 33 56
2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093
34 56 35 18 41 44 38 59 42 37 19 40 45 35 36 22
2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2106 2107 2108 2109 2110
23 13 20 19 21 25 10 28 1 25 37 41 32 43 30 32
2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127
47 29 38 42 34 79 29 76 62 51 30 45 56 37 62 30
2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143
50 37 36 41 32 33 41 58 36 43 35 50 41 27 26 33
2144 2145 2146 2147 2148 2149 2150 2153 2154 2155 2156 2157 2158 2159 2160 2162
30 18 21 20 23 86 65 32 33 49 1 31 42 39 40 33
2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178
45 21 21 56 53 57 29 57 25 35 52 36 44 42 24 36
2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194
19 26 68 47 40 38 51 38 41 37 32 31 34 36 32 38
2195 2196 2197 2198 2199 2200 2201 2203 2204 2205 2206 2207 2208 2211 2212 2213
17 48 34 66 47 47 103 45 31 40 31 18 12 55 43 37
2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229
47 49 64 65 37 41 42 66 61 43 63 34 39 56 37 35
2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2244 2245 2246
25 32 46 39 46 53 32 42 46 31 28 25 22 37 30 29
2247 2248 2249 2250 2251 2252 2253 2255 2256 2257 2259 2260 2261 2262 2263 2264
43 50 28 42 65 73 19 34 18 28 47 25 56 43 57 45
2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280
59 32 64 46 34 37 31 39 56 53 56 35 31 41 40 49
2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2293 2294 2295 2296 2297
26 19 36 50 51 40 28 14 33 31 9 41 40 35 38 17
2298 2299 2300 2301 2302 2303 2305 2306 2308 2309 2310 2311 2312 2313 2314 2315
52 42 27 89 84 84 31 12 32 43 38 29 70 57 19 38
2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331
79 65 40 40 44 14 56 56 71 34 44 49 37 34 33 20
2332 2333 2334 2335 2336 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349
30 39 43 45 30 24 14 8 44 24 35 24 14 31 39 27
2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365
40 98 59 38 77 14 5 21 47 57 58 72 61 76 45 44
2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381
73 65 68 39 40 41 39 62 40 50 55 28 38 51 37 34
2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397
24 50 50 46 50 34 42 27 53 39 27 31 25 13 35 19
2398 2399 2400 2401 2402 2404 2405 2407 2408 2409 2410 2411 2412 2413 2414 2415
41 26 46 83 50 38 8 39 66 68 60 42 62 73 6 53
2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431
77 40 57 51 25 46 36 44 54 40 34 45 33 70 45 46
2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447
64 64 30 7 33 3 41 48 65 39 33 15 12 19 19 33
2448 2449 2450 2451 2452 2453 2454 2455 2457 2458 2459 2460 2461 2462 2463 2464
27 32 43 50 74 55 17 19 19 12 26 33 40 34 41 38
2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480
62 49 37 31 44 25 44 42 52 67 87 52 52 62 37 44
2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496
37 30 61 38 20 29 27 21 54 55 49 25 17 10 14 40
2497 2498 2499 2500
20 33 37 41
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2436 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)